文档名：端到端分布式联合优化的空谱自编码密度估计模型
摘要：高光谱图像(HyperspectralImage,HSI)由于其丰富的光谱信息和空间信息,被广泛应用于异常检测任务,在对地观测和深空探测中起到了重要作用.然而,现有的基于密度估计的高光谱异常检测(HyperspectralAnomalyDetection,HAD)方法存在如下问题:一是没有联合优化概率密度估计和特征表示这两个不同的目标函数,导致深度神经网络无法学习到更加准确的概率密度函数和包含HSI固有信息的低维表示;二是缺乏高层次空间语义信息与低维流行中光谱信息的自适应融合.此外,随着光谱成像技术的发展,卫星或无人机所获取的HSI的体积越来越大,在遥感大数据的背景下,传统框架处理HSI变得十分困难,给HAD带来了极大的挑战.本文分别从以上问题出发,提出了端到端联合优化的空谱协同自编码密度估计(End-to-EndSpectral-SpatialCooperativeAutoencodingDensityEsti-mation,E2E-SSCADE)模型.基于二维卷积提取HSI空间特征,融合高光谱图像光谱特征和空间特征的低维表示以及重构误差表示,联合密度估计网络进行端到端的优化,并利用分布式学习实现了大体积高光谱图像的异常检测.实验表明,所提出的E2E-SSCADE可以从光谱向量、空间维度以及重构空间三个角度更深层次地挖掘HSI固有信息的低维表示,构建更加准确的背景模型,在有效分离背景和异常目标的同时,结合分布式学习实现了快速、准确的大体积高光谱图像的异常检测,在6个经典HAD数据集上达到了99.07%的精度和3.41倍的检测速度.实验代码见https://github.com/majitao-xd/E2E-SSCADE.git.
作者：马纪涛 谢卫莹 雷杰 方乐缘 李云松 Author：MAJi-tao XIEWei-ying LEIJie FANGLe-yuan LIYun-song
作者单位：西安电子科技大学综合业务网理论及关键技术国家重点实验室,陕西西安710071湖南大学电气与信息工程学院,湖南长沙410082
刊名：电子学报 ISTICEIPKU
Journal：ActaElectronicaSinica
年，卷(期)：2023, 51(4)
分类号：TP183TP751.1
关键词：高光谱异常检测 空谱协同 估计网络 端到端优化 分布式学习
机标分类号：TP391.41TP751TN919.81
在线出版日期：2023年7月6日
基金项目：国家自然科学基金，国家自然科学基金，中国科协青年人才托举工程端到端分布式联合优化的空谱自编码密度估计模型[
期刊论文] 电子学报--2023, 51(4)马纪涛 谢卫莹 雷杰 方乐缘 李云松高光谱图像(HyperspectralImage,HSI)由于其丰富的光谱信息和空间信息,被广泛应用于异常检测任务,在对地观测和深空探测中起到了重要作用.然而,现有的基于密度估计的高光谱异常检测(HyperspectralAnomalyDetection,H...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
端到端分布式联合优化的空谱自编码密度估计模型 End-to-End Spectral-Spatial Cooperative Autoencoding Density Estimation Model
端到端分布式联合优化的空谱自编码密度估计模型.pdf
- 文件大小:
- 3.52 MB
- 下载次数:
- 60
-
高速下载
|
|
